TuRF: Fast Data Collection for Fingerprint-based Indoor Localization
许多无基础设施的室内定位系统依赖于细粒度的位置相关指纹来训练用于定位的模型。收集指纹的现场调查过程很费力，被认为是部署这种系统的主要障碍之一。在本文中，我们提出了TuRF，一个快速的基于路径的指纹采集机制，现场调查。我们证明了在沿着预定义的路径行走时收集指纹进行室内定位的可行性。一个步计数器被用来适应步行速度的变化。从步骤推断的近似位置标签然后用于训练高斯过程回归模型。大量的实验表明，TuRF可以显着减少所需的时间进行现场调查，而不影响定位性能。
2017-05-21 cs.NI
A Survey of Indoor Localization Systems and Technologies
室内本地化最近引起了人们的兴趣，这是由于它可以通过利用物联网（IoT）和无处不在的连接提供潜在的广泛服务。在文献中已经提出了不同的技术、无线技术和机制来提供室内定位服务，以便改进提供给用户的服务。然而，缺乏一个最新的调查文件，其中包括一些最近提出的准确和可靠的定位系统。在本文中，我们的目的是提供一个详细的调查不同的室内定位技术，如到达角（AoA），飞行时间（ToF），返回时间的飞行（RTOF），接收信号强度（RSS）;技术的基础上，如WiFi，射频识别设备（RFID），超宽带（UWB），蓝牙和系统，已在文献中提出。本文主要讨论人类用户及其设备的定位和定位。我们强调现有的文献中提出的系统的优势。与现有的调查相比，我们还从能源效率，可用性，成本，接收范围，延迟，可扩展性和跟踪准确性的角度评估不同的系统。我们不是比较技术或技术，而是比较定位系统并总结其工作原理。我们还讨论了准确的室内定位仍然存在的挑战。
2019-01-16 cs.NI
CSI-based Fingerprinting for Indoor Localization: A Deep Learning Approach
随着室内环境中基于位置的服务需求的快速增长，基于指纹的室内定位由于其高精度而引起了人们的极大兴趣。在本文中，我们提出了一种新的基于深度学习的室内指纹识别系统，使用信道状态信息（CSI），这被称为DeepFi。基于CSI的三个假设，DeepFi系统架构包括离线训练阶段和在线定位阶段。在离线训练阶段，利用深度学习来训练深度网络的所有权重作为指纹。此外，使用贪婪学习算法对权值进行逐层训练，以降低复杂度。在在线定位阶段，我们使用基于径向基函数的概率方法来获得估计位置。实验结果表明，与现有的三种方法相比，DeepFi在两种典型的室内环境中可以有效地减少定位误差。
2016-03-23 cs.NI
A fuzzy-PSO system for indoor localization based on visible light communications
基于可见光通信的室内定位系统在智能建筑中具有潜在的应用前景，例如，在开发基于发光二极管的经济的、易于使用的、可广泛访问的定位系统中。因此，使用VLCs，我们介绍了一种新的基于模糊的室内定位系统在本文中。该系统处理来自发射机的数据（即，锚节点）并传送接收机的计算位置。粒子群优化（PSO）技术，然后获得建议的模糊逻辑控制器（FLC）的最佳配置。具体而言，建议的PSO技术优化的隶属函数的FLC通过调整其范围，以实现最佳的结果，关于定位的可靠性。我们使用实验证明了所提出的方法的实用性。
2018-04-27 cs.NI
Topology Partitioning-based Self-Organized Localization in Indoor WSNs with Unknown Obstacles
针对室内无线传感器网络中未知障碍物导致定位精度下降的问题，提出一种基于拓扑划分的自组织定位方法，通过识别并切断受阻通信路径，平均切断87%的受影响路径，在RSSI视距假设下定位精度超过99.99%。
2025-05-23 cs.NI
Closed-Form Error Analysis on RSS-based Indoor Localization Method
接收信号强度（RSS）被认为是室内定位的一种很有前途的测量方法。基于RSS的定位方法以其方便性和低成本被提出。本文重点研究了基于RSS的定位方案中的两个挑战性问题：寻找最优定位算法和了解影响这些算法精度的因素。通过理论和实验分析，我们得到了三个重要结果：1）证明了非线性最小二乘（NLS）方法对于解决基于RSS的定位问题是有效的，即，2）给出了NLS方法定位误差的解析表达式。这样的表达式揭示了影响NLS方法精度的关键因素; 3）我们进一步提出了一个新的定位误差下界，即，尽可能达到最好的精度。本文的研究显示了基于RSS的定位方案的固有局限性，并为实现最佳精度提供指导。
2017-12-13 cs.NI
An Indoor Fingerprinting Localization Approach for ZigBee Wireless Sensor Networks
位置跟踪系统正日益成为无线传感器网络领域的研究热点。基于接收信号强度（RSS）的定位系统处于跟踪研究应用的最前沿。无线电定位指纹是最有前途的室内定位方法之一，由于其强大的精度和成本。然而，指纹识别系统需要在跟踪区域中收集大量的参考点以实现合理的定位精度。在本文中，我们提出了一种基于RSS技术的指纹定位方法。所提出的系统不需要收集大量的参考点，并提供良好的室内定位精度。所实现的方法是基于将跟踪区域划分为子区域，并通过从不同的参考点的RSS值的范围内分配一个独特的功能，每个子区域。为了测试所提出的系统的效率，一些实际的实验已经进行了使用Jennic传感器节点。
2013-08-08 cs.NI
Plugo: a VLC Systematic Perspective of Large-scale Indoor Localization
基于可见光通信（VLC）的室内定位技术多年来一直受到学术界和工业界的青睐。在本文中，我们提出了一个原型的光电二极管为基础的VLC系统对大规模的本地化。特别是对大规模室内定位研究的设计约束和考虑因素进行了深入分析。在此之后，我们确定了这些系统的关键使能因素：1）分布式架构，2）单向通信，3）随机多路访问。因此，我们提出了Plugo-一个基于光电二极管的VLC系统符合上述标准。我们提出了一种紧凑设计的VLC兼容LED灯泡，具有即插即用的用例。利用基本的帧时隙附加链路在线夏威夷区域（ALOHA）实现共享光介质上的随机多址接入。我们通过实验证明了它在信标广播中的有效性，并通过仿真进一步证明了它在大规模场景中的可扩展性。最后，初步的定位实验进行基于指纹的方法在一个定制的测试平台，实现了0.14米的平均精度以及90百分位精度为0.33米。
2017-08-15 cs.NI
Ubiquitous Indoor Localization and Worldwide Automatic Construction of Floor Plans
虽然GPS已经被认为是一种无处不在的室外定位技术，但我们仍然远离室内环境的类似技术。虽然已经提出了许多用于室内定位的技术，但它们都是孤立的努力，距离真正的无处不在的定位系统还有很长的路要走。普遍存在的室内定位系统被设想为以最小的开销在世界范围内大规模地部署，以与异构设备一起工作，并且允许用户从室内到室外环境无缝地漫游。这样的系统将实现广泛的应用，包括室内位置之间的全球无缝方向查找，通过提供任何地方的定位和平面图来增强第一响应者的安全性，以及为位置感知社交网络应用提供更丰富的环境。我们描述了一个无处不在的室内定位系统（IPS）的体系结构和必须解决的挑战，以实现它。然后，我们专注于自动化的全球室内平面图和指纹数据库的建设的可行性，因为我们相信，是一个无处不在的IPS系统的存在限制的主要挑战之一。我们的概念验证使用了一种众包方法，该方法利用当今手机中的嵌入式传感器作为全球分布式平面图生成工具。这包括构建平面图和确定感兴趣的区域（走廊，办公室，会议室，电梯等）。云计算概念也被用于处理和存储系统用户生成和请求的大量数据。我们的研究结果表明，该系统能够构建一个准确的平面图，并确定感兴趣的领域超过90%的准确性。我们还确定了不同的研究方向，以解决实现一个真正的无处不在的IPS系统的挑战。
2012-04-15 cs.NI
Hybrid Wi-Fi/PDR Indoor Localization with Fingerprint Matching
本文提出一种结合Wi-Fi和PDR的混合室内定位系统，通过指纹匹配和轨迹跟踪实现高精度定位。
2026-10-11 cs.NI
Low Complexity Indoor Localization in Wireless Sensor Networks by UWB and Inertial Data Fusion
室内运动目标的精确定位是一项具有挑战性的活动，如果不结合不同的信息源，就无法轻松完成。从这个意义上说，不同数据源与适当过滤器的组合可能会提高定位和跟踪性能。提出了一种基于超宽带和惯性信息融合的无线传感器网络混合定位算法。一个恒定增益的稳态卡尔曼滤波器被用来约束系统的复杂性，简化了其在一个典型的低功耗无线传感器网络节点上的实现。所提出的数据融合算法的性能进行了评估，在一个现实的情况下，使用模拟和现实的数据集。实验结果证明了该方法的有效性，有效地融合了不同的定位数据源，降低了定位误差。
2013-05-07 cs.NI
AF-DCGAN: Amplitude Feature Deep Convolutional GAN for Fingerprint Construction in Indoor Localization Systems
随着WiFi网络的广泛部署和无线信道信息的唯一性特征（指纹），基于指纹的WiFi定位是目前主流的室内定位方法，其中指纹数据库的构建至关重要。然而，为了准确性，这种方法需要在许多参考点处采样足够的数据，这消耗了过多的精力和时间。在本文中，我们收集信道状态信息（CSI）数据的参考点的方法，设备免费定位，然后我们收集的CSI数据转换成幅度特征地图和扩展指纹数据库使用所提出的幅度-特征深度卷积生成对抗网络（AF-DCGAN）模型。AF-DCGAN的使用加速了训练阶段的收敛，并大大增加了CSI幅度特征图的多样性。实验证明，扩展的指纹数据库既减少了指纹数据库构建中涉及的人力，又提高了室内定位系统的准确性。
2019-10-11 cs.NI
Selective AP-sequence Based Indoor Localization without Site Survey
在本文中，我们提出了一个室内定位系统采用有序序列的接入点（AP）的基础上接收信号强度（RSS）。与现有的室内定位系统不同，我们的方法不需要任何耗时费力的现场调查阶段来表征环境中的无线电信号。准确地说，我们通过将感兴趣区域的布局切割成仅具有AP位置知识的区域来构建指纹图。这可以在一秒钟内离线完成，并具有实际应用的潜力。然后通过将有序AP序列与指纹图中的AP序列进行匹配来实现定位。与传统的指纹识别采用所有AP信息不同，我们只使用选定的AP来执行定位，这是由于这样一个事实，即，没有现场调查，在获得正确的AP序列的可能性较低，如果它涉及更多的AP。实验结果表明，该系统的定位精度小于5m，累积密度函数（CDF）为50%至60%，取决于AP的密度。此外，我们观察到，使用所有AP进行定位可能无法实现最佳定位精度，例如，在我们的情况下，总共7个AP中的4个AP实现最佳性能。在实践中，用于执行定位的AP的数量应该是基于AP的放置的设计参数。
2016-03-22 cs.NI
Uplink SRS-Based Real-Time Indoor Localization System over OpenAirInterface
National Taiwan Univ. of Science and Technology（台湾科技大学）；BubbleRAN；EURECOM
本文基于上行链路探测参考信号，在OpenAirInterface 5G无线接入网实现实时室内定位系统，利用定位xApp从SRS测量得出CFR测量值，经转换和随机森林回归器估计用户设备二维位置，实验验证了该方法在OAI上的可行性与局限性。
2026-07-22 cs.NI
Communicating Is Crowdsourcing: Wi-Fi Indoor Localization with CSI-based Speed Estimation
最近已经提出了许多室内定位技术来满足对基于位置的服务的强烈需求，并且基于Wi-Fi指纹的方法是最流行和廉价的解决方案。其中，一个主要的趋势是将智能手机的内置传感器和开发众包的潜力。然而，噪声内置传感器和多任务的限制，下划线操作系统往往阻碍了这些计划的有效性。在这项工作中，我们提出了一个被动的众包CSI为基础的室内定位方案，C2 IL。我们的方案C2 IL仅需要定位设备（例如，电话）具有802.11n无线连接，并且它不依赖于仅存在于一些智能手机中的惯性传感器。C2 IL基于我们的创新方法构建，完全基于802.11n信道状态信息（CSI）准确估计移动距离。我们的广泛的评估表明，我们的计划的移动距离估计误差是在3%的实际移动距离，无论变化的速度和环境。依靠准确的移动距离估计作为约束，我们能够构建一个更准确的RSS指纹和位置之间的映射。为了解决收集指纹的挑战，设计了一种基于众包的方案来逐步建立映射并填充指纹。在C2 IL中，我们设计了一种基于轨迹聚类的定位算法，以提供精确的实时室内定位和跟踪。我们在一个大型办公环境中开发并部署了一个实用的C2 IL工作系统。广泛的评估结果表明，我们的计划C2 IL提供了准确的定位与错误2米在80%，在非常复杂的室内环境，以最小的开销。
2013-07-24 cs.NI
Localization Technologies for Indoor Human Tracking
无线定位技术的发展为在室内场景中为人类服务提供了一个充满希望的未来。它们的应用包括实时跟踪、活动识别、医疗保健、导航、紧急情况检测和感兴趣的目标监控等。此外，室内定位技术解决了GPS（全球定位系统）在建筑物内的低效率问题。由于人们大部分时间都在室内环境中度过，因此室内跟踪服务具有很大的公众需求。基于这一观察，本文旨在更好地了解最先进的技术，并激励在这一领域的新的研究工作。为了这些目的，现有的定位技术，可用于跟踪个人在室内环境中进行审查，以及一些进一步的讨论。
2010-03-09 cs.DC cs.NI
An Implementation Approach and Performance Analysis of Image Sensor Based Multilateral Indoor Localization and Navigation System
光学摄像机通信（OCC）如今在各种基于室内摄像机的服务（诸如灵巧家庭和基于机器人的自动化）中表现出相当重要的作用。安装在移动机器人（MR）上的Android智能手机相机在相机保持在相同水平时提供均匀的通信距离，这可以降低通信出错率。室内移动机器人导航（MRN）被认为是一个很有前途的OCC应用，其中白光发光二极管（LED）和MR相机分别用作发射器和接收器。定位在精度、数据率和距离方面是MRN系统中的关键问题。提出了一种室内导航定位组合算法，并对其性能进行了评估.开发了一个Android应用程序，以支持从多个同步发射机链路获取数据采集。在实验中，我们收到的数据从四个环节，需要确保更高的定位精度。
2018-10-05 cs.NI
QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with Mobile Devices
Colorado State University（科罗拉多州立大学）
室内定位服务是在未来城市中实现智能网络物理系统的关键方面。这些服务有望重塑在各种室内和地下环境中导航和跟踪人员和资产的过程。随着智能手机拥有量的不断增加，通过深度学习实现基于便携式指纹的室内定位奠定了基础。然而，随着对精确定位的需求增加，相关联的深度学习模型的计算复杂性也增加。我们提出了一种方法，用于减少基于深度学习的室内定位框架的计算需求，同时保持定位精度目标。我们提出的方法在多个智能手机上进行了部署和验证，与最知名的基于基线深度学习的室内定位模型相比，预测延迟减少了42%，预测能量减少了45%。
2021-04-15 cs.LG cs.NI eess.SP
Discriminative Learning-based Smartphone Indoor Localization
由于无处不在的移动应用领域的不断增长，智能手机的室内定位已经成为一个有趣的研究课题。目前大多数室内定位系统依赖于密集的现场调查，以实现高精度。在这项工作中，我们提出了一个有效的智能手机室内定位系统，能够减少现场调查工作，同时仍然实现高定位精度。我们的系统是通过在增强型粒子滤波器中融合各种信号而构建的，例如Wi-Fi接收信号强度指示器，磁场和楼层平面图信息。为了实现高而稳定的性能，我们首先应用判别式学习模型来整合Wi-Fi和磁场读数，以实现房间级地标检测。此外，我们集成了地标检测，基于范围的定位模型，与基于图形的离散化系统状态表示。由于我们的方法只需要基于区分学习的房间级地标检测，因此与传统的Wi-Fi指纹识别或基于地标的方法相比，学习阶段所花费的时间显着减少。我们进行实验研究，以评估我们的系统在办公室一样的室内环境。实验结果表明，我们的系统可以显着减少学习的努力，定位方法可以实现性能的平均定位误差为1.55米。
2018-04-11 cs.NI eess.SP
Joint Indoor Localization and Radio Map Construction with Limited Deployment Load
University of Toronto（多伦多大学）；Siradel
基于接收信号强度（RSS）的室内定位系统的实际实现中的一个主要瓶颈是通过指纹识别构建无线电地图所需的大量部署工作。在本文中，我们的目标是设计一个室内定位方案，可以直接使用，而无需建立一个完整的指纹无线电地图的室内环境。该方案通过积累局部化的RSS信息，可以在有限校准的情况下同时构建无线电地图。为了设计这个方案，我们采用了一个源数据集，具有相同的空间相关性的RSS在室内环境下的研究。然后，将该数据集的知识转移到有限数量的校准指纹和具有未知位置的一个或多个RSS观测，以便使用流形对准来执行这些观测的直接定位。我们测试两个不同的源数据集，即模拟无线电传播地图和环境计划坐标。对于移动用户，我们利用他们的观察，以提高定位精度的相关性。在两个室内环境中的在线测试表明，计划坐标实现了更好的结果比模拟无线电地图，和一个可以忽略不计的退化与校准负载减少70-85%。
2013-10-12 cs.LG cs.NI
Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks
Xi'an Jiaotong-Liverpool University（西交利物浦大学）
在现代城市中，从户外生活方式转向室内生活方式的趋势越来越明显。大型购物中心、室内体育场馆、工厂和仓库的出现正在加速这一趋势。在这样的环境中，室内定位成为必要的服务之一，并且要部署的室内定位系统应该是可扩展的，足以覆盖那些室内设施的预期扩展。室内定位的最经济和实用的方法之一是Wi-Fi指纹识别，其利用使用移动设备（例如，智能手机），而无需对现有基础设施进行任何修改。传统的Wi-Fi指纹识别方案依赖于复杂的数据预/后处理和耗时的手动参数调整。在本文中，我们提出了分层的多建筑物和多楼层的室内定位的基础上，使用Wi-Fi指纹的递归神经网络（RNN），消除了复杂的数据预/后处理的需要和较少的参数调整。所提出的方案中的RNN以从一般到特定的顺序方式估计位置（例如，建筑物->楼层->位置），以便利用多建筑物和多楼层环境中的定位的分层性质。UJIIndoorLoc数据集的实验结果表明，该方案估计建筑物和地板的准确度分别为100%和95.24%，并提供8.62米的三维定位误差，这优于现有的基于深度神经网络的方案。
2021-12-23 cs.LG cs.NI
Indoor Navigation on Google Maps and Indoor Localization Using RSS Fingerprinting
与街道/室外导航的进步相比，壁挂式地图和标牌仍然是医院、购物中心、博物馆等室内导航的主要参考。移动设备的激增以及对根据当前设备位置过滤信息的位置感知系统的需求不断增长，导致了该领域研究和产品开发的增加。已经尝试在Google地图上提供室内导航的解决方案，并在Android智能手机上使用Wi-Fi信号强度提供用户在建筑物中的位置。
2014-05-22 cs.CY cs.NI
Seirios: Leveraging Multiple Channels for LoRaWAN Indoor and Outdoor Localization
本地化对于通过LoRaWAN连接的大量物联网（IoT）端点设备非常重要。由于LoRaWAN的带宽限制，没有专用硬件的现有定位方法（例如，GPS）产生差的性能。为了提高定位精度，我们提出了一种超分辨率定位方法，称为Seirios，它具有一种新的算法，通过利用无线电物理层的独特功能来同步多个非重叠的通信信道，以增加整体带宽。通过利用物理层的原始和共轭，Seirios可以解决室内和室外环境中多个反射器的直接路径。我们设计了一个Seirios原型，并评估其性能在室外100米$\times$ 60米，室内25米$\times$ 15米的区域，这表明，Seirios可以实现4.4米的室外（80%的样本< 6.4米），室内2.4米（80%的样本< 6.1米），分别为。结果表明，Seirios产生的定位误差比基线方法少42%。我们的评估还表明，与先前在具有更宽带宽的Wi-Fi定位系统中的研究不同，对于具有窄带无线电信号的LoRaWAN定位系统，战斗时间（ToF）估计不太有效。
2021-08-16 cs.NI eess.SP
Experimental Study on Probabilistic ToA and AoA Joint Localization in Real Indoor Environments
在本文中，我们研究了概率到达时间（ToA）和到达角（AoA）联合定位在真实的室内环境。为了减轻多径传播的影响，联合定位算法结合到似然函数高斯混合模型（GMM）和Von Mises-Fisher分布模型的时间偏差误差和角度的不确定性，分别。我们评估的算法性能使用专有的原型部署在室内工厂环境中的基础设施接收器在每个四个角落的天花板上的10米乘20米的部分。现场测试结果表明，我们的联合概率定位算法显着优于基线，仅使用ToA或AoA测量，并达到2-D亚米级精度在90%-ile。我们还数值证明，联合定位算法是更强大的同步误差比基线使用ToA测量。
2021-03-31 cs.NI eess.SP
Fast Radio Map Construction and Position Estimation via Direct Mapping for WLAN Indoor Localization System
限制基于无线局域网（WLAN）的室内定位系统与接收信号强度（RSS）定位算法的快速和全面应用的主要限制是指纹无线电地图的构建，这是耗时的，特别是当室内环境较大和/或具有高频率变化时。已经提出了不同的方法来减少工作负载，包括指纹部署和更新工作，但是当工作负载减少到一定水平以下时，性能会大大降低。在本文中，我们提出了一个室内定位的情况下，应用度量学习和流形对齐，实现直接映射定位（DML）使用低分辨率的无线电地图与单一样本的RSS，减少指纹的工作量高达87%。与以前的工作相比。提出的两种定位方法，DML和$k$最近邻居基于重建的无线电地图（reKNN），被证明是实现小于4.3\ m和3.7\ m的平均定位误差分别在一个典型的办公室环境中的面积约为170\ m $^2$，而采用扰动算法的无监督定位的平均定位误差为4.7 m，工作量是所提出方法的8倍.对于房间级定位应用，DML和reKNN的定位误差均小于9 m，能够以99%以上的精度区分不同的房间。
2017-04-03 cs.NI stat.AP
On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process
University of Liverpool（利物浦大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
Wi-Fi指纹识别由于其不需要新的基础设施和专用设备的主要优势而成为大规模室内定位的主要解决方案。然而，在离线阶段期间用于测量定位指纹（如RSSI）的参考点（RP）的数量和分布极大地影响定位精度;例如，已知UJIIndoorLoc具有RP在建筑物和楼层上的不均匀空间分布的问题。数据增强作为一种可行的解决方案已经被提出，不仅可以改善现有指纹数据库中RP数量较少和分布不均匀的问题，而且可以减少构建新指纹数据库的人力和时间成本。本文在分析了现有文献的基础上，本文提出了一种基于多输出高斯过程（MOGP）的指纹数据多维增强方法，并利用UJIIndoorLoc数据库和现有的室内定位系统，系统地研究了增强率、MOGP核函数和模型及其超参数对室内定位性能的影响。提出了一种基于分层RNN的神经网络室内定位模型。基于实验结果的研究表明，我们可以生成高达原始数据十倍的合成RSSI指纹数据-即，增强比为10 --通过所提出的基于多维MOGP的数据增强，与单独的原始数据相比，不会显著影响室内定位性能，这扩展了组合RP的空间覆盖范围，从而可以提高不属于测试数据集的位置处的定位性能。
2022-11-19 cs.LG cs.NI
Analysis and Visualization of Deep Neural Networks in Device-Free Wi-Fi Indoor Localization
Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）；Institute of Electronics, National Chiao Tung University（国立交通大学电子研究所）
无设备Wi-Fi室内定位作为许多物联网（IoT）应用的关键使能技术受到了极大的关注。基于机器学习的位置估计器（例如，深度神经网络（DNN））在通过从噪声无线信号测量自动学习辨别特征来实现高精度定位性能方面具有经证实的潜力。然而，DNN的内部工作是不透明的，并且没有被充分理解，特别是在室内定位应用中。在本文中，我们为DNN学习过程以及DNN在此过程中学习的关键特征提供了定量和可视化的解释。为此，我们建议使用几种可视化技术，包括：1）降维可视化，将高维特征空间投影到2D空间，以便于可视化和解释，以及2）可视化分析和信息可视化，量化每个特征的相对贡献与建议的特征操作程序。这些结果提供了DNN在使用信道状态信息（CSI）指纹的无设备Wi-Fi室内定位中的有见地的观点和合理的解释。
2019-05-22 cs.LG cs.NI
A Survey of Bluetooth Indoor Localization
本文综述蓝牙室内定位系统，分类现有技术，评估可用性、成本、可扩展性和准确性，并讨论精确蓝牙定位的挑战。
2024-04-18 cs.HC cs.NI
RFID-Assisted Indoor Localization Using Hybrid Wireless Data Fusion
University of Maine（缅因大学）
本文提出一种基于分区的混合室内定位方法，结合RFID跟踪设备与多种IoT无线技术，通过仅在分区边界布置标签以降低成本，并利用RSSI进行蓝牙、WiFi和ZigBee的线性位置估计，实验验证了该方法的有效性。
2023-07-28 cs.LG cs.NI eess.SP
Machine Learning for Indoor Localization Using Mobile Phone-Based Sensors
Drake University（德雷克大学）
在本文中，我们研究了利用机器学习方法基于嵌入式传感器的读数来定位移动终端的问题。我们考虑一个真实的环境，收集了3110个数据点的大型数据集，并检查了大量的机器学习算法在本地化移动终端的性能。我们已经找到了算法，给出了一个准确的平均误差为0.76米，优于文献中报道的其他室内定位系统。我们还提出了一种基于实例的混合方法，该方法可以使速度提高十倍，而不会损失标准的基于实例的方法在现场部署中的准确性，从而实现快速准确的定位。此外，我们确定了以较低密度收集的较小数据集如何影响定位的准确性，这对于在现实环境中使用很重要。最后，我们证明了这些方法是适合现实世界的部署，通过评估其性能在一个在线的，在运动实验。
2015-05-22 cs.LG cs.NI
Nanosecond-precision Time-of-Arrival Estimation for Aircraft Signals with low-cost SDR Receivers
飞机和无人机信号的精确到达时间（TOA）估计对于包括飞机/无人机跟踪、空中交通数据验证或自定位在内的广泛应用非常重要。我们在这项工作中的重点是TOA估计方法，可以运行在低成本的软件定义无线电（SDR）接收器，广泛部署在模式S / ADS-B众包传感器网络，如OpenSky网络。我们评估实验经典的TOA估计方法，这是基于与重建的消息模板的互相关，并发现这些方法是不是最佳的，这样的信号。我们提出了两种替代方法，为低成本SDR接收器捕获的真实世界的模式S / ADS-B信号提供卓越的结果。最好的方法实现了1.5 ns的标准偏差误差。
2018-02-20 cs.NI eess.SP
Modern WLAN Fingerprinting Indoor Positioning Methods and Deployment Challenges
The University of Texas at San Antonio（得克萨斯大学圣安东尼奥分校）
无线局域网（WLAN）作为唯一存在和建立的基础设施，已成为室内定位的一个有前途的选择，以定位室内的移动和固定用户。然而，由于WLAN最初被设计用于无线联网而不是定位，因此基于WLAN信号的定位任务具有若干挑战。在无线局域网定位方法中，无线局域网指纹定位由于其有前途的结果，最近获得了极大的关注。WLAN指纹识别面临着一些挑战，因此，在本文中，我们的目标是概述这些挑战和最先进的解决方案。本文包括三个主要部分：1）传统的定位方案; 2）最先进的方法; 3）实际部署的挑战。由于WLAN文献中提出的所有方法都是在不同的环境中进行和测试的，因此报告的结果并不具有同等的可比性。因此，我们在一个单一的真实环境中比较了一些主要的定位方案，并评估其定位精度，定位误差统计和复杂性。我们的研究结果描绘说明性的WLAN定位系统的评价和指导未来的改进机会。
2016-10-18 cs.LG cs.NI
Multi-Modal Recurrent Fusion for Indoor Localization
Virginia Tech（弗吉尼亚理工学院暨州立大学）
本文考虑使用包括Wi-Fi、惯性测量单元（IMU）和超宽带（UWB）在内的多模无线信号进行室内定位。通过将定位问题描述为多模态序列回归问题，提出了一种多流递归融合方法，该方法在递归神经网络的背景下结合每个模态的当前隐藏状态，同时考虑直接从其自身的最近状态学习的模态不确定性。在大规模SPAWC 2021多模态定位数据集上对所提出的方法进行了评估，并与包括三边测量方法、传统指纹方法和基于卷积网络的方法在内的各种基线方法进行了比较。
2022-03-02 cs.CV cs.HC cs.NI
Federated Learning based Hierarchical 3D Indoor Localization
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；Institut Supérieur d’Electronique de Paris（巴黎高等电子学院）
室内环境中连接设备的激增为无数室内应用打开了大门，定位服务是关键推动因素。然而，随着隐私问题和资源限制的出现，设计大多数应用所需的精确定位系统变得更具挑战性。为了克服后者的挑战，我们在本文中提出了一个使用深度神经网络进行分层3D室内定位的联邦学习（FL）框架。事实上，我们首先阐明了在多建筑物和多楼层室内环境中利用楼层和建筑物之间的层次结构的重要性。然后，我们提出了一个FL框架训练设计的层次模型。性能评估表明，通过采用分层学习方案，我们可以提高定位精度高达24.06%相比，非分层的方法。我们还获得了建筑物和楼层的预测精度分别为99.90%和94.87%。使用所提出的FL框架，我们可以在定位误差仅增加7.69%的情况下实现接近性能的特征。此外，进行的可扩展性研究表明，FL系统的准确性提高时，更多的设备加入训练。
2023-03-01 cs.LG cs.NI eess.SP
WiFi-Based Indoor Localization via Multi-Band Splicing and Phase Retrieval
我们研究的问题，室内定位使用商品WiFi信道状态信息（CSI）测量。为解决这个问题而开发的方法的准确性受到WiFi设备使用的总带宽以及底层硬件施加的各种类型的信号失真的限制。在本文中，我们提出了一种定位方法，通过拼接测量CSI在多个WiFi频段进行信道脉冲响应（CIR）估计。为了克服硬件引起的相位失真，我们提出了一个相位恢复（PR）计划，只使用CSI幅度值来估计CIR。为了实现高定位精度，PR方案涉及稀疏恢复步骤，其利用CIR在延迟域上稀疏的事实，这是由于室内环境中的贡献信号路径的数量少。仿真结果表明，我们的方法优于现有技术的数量级（厘米级定位精度）超过90%的试验和各种SNR制度。
2019-03-06 cs.IT cs.NI math.IT
A Novel Indoor Mobile Localization System Based on Optical Camera Communication
在室内环境中本地化智能手机为电子商务提供了绝佳的机会。在本文中，我们提出了一种定位技术的智能手机在室内环境中。该技术可以使用现有的具有发光二极管（LED）的照明基础设施来计算智能手机的坐标。该系统可以定位智能手机，而无需进一步修改现有的LED灯基础设施。智能手机没有固定的位置，它们可以在环境中的任何地方频繁移动。我们的算法使用多个（即，两个以上的LED灯同时点亮。智能手机从智能手机相机的视场（FOV）内的LED灯获取LED ID。这些LED ID包含LED灯的坐标信息。同时，投影图像的图像传感器（IS）上的像素区域随着智能手机和每个LED灯之间的相对运动而变化，这允许算法计算从智能手机到该LED的距离。
2018-10-05 cs.NI eess.SP
Federated Distillation based Indoor Localization for IoT Networks
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；New York University (NYU) Abu Dhabi（纽约大学阿布扎比分校）；NYU Tandon School of Engineering（纽约大学坦登工程学院）
联邦蒸馏（Federated Distillation，FD）是近年来提出的一种新的联邦学习方法，特别适用于通信资源有限的无线传感器网络。然而，所有国家的最先进的FD算法的设计，只有分类任务和较少的注意力已经回归任务。在这项工作中，我们提出了一个FD框架，正确地操作回归学习问题。之后，我们提出了一个用例实现，提出了一个室内定位系统，显示了良好的权衡通信负载与准确性相比，基于联邦学习（FL）的室内定位。通过我们提出的框架，我们减少了高达98%的传输位数。此外，我们表明，建议的框架是更可扩展的FL，从而更有可能应付无线网络的扩展。
2022-10-11 cs.LG cs.NI eess.SP
Crowdsourcing Ubiquitous Indoor Localization with Non-Cooperative Wi-Fi Ranging
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出PeepLoc，一种仅依赖现有Wi-Fi设备和基础设施的室内定位方案，通过非合作ToF测距与基于PDR和众包的锚点引导机制，在4栋校园建筑中实现平均3.41米、中位3.06米的定位精度，优于现有室内系统并媲美室外GPS。
2025-07-05 cs.HC cs.NI cs.RO
Algorithm-Supervised Millimeter Wave Indoor Localization using Tiny Neural Networks
本研究提出使用微型神经网络学习毫米波到达角差与接收器位置关系，通过最先进定位算法的位置估计进行自监督训练，在60GHz室内信道探测实验中实现74%亚米级误差，计算复杂度显著降低。
2024-07-30 cs.NI eess.SP
Passive Indoor Localization with WiFi Fingerprints
University of Victoria（维多利亚大学）；Fortinet Canada Inc.（飞塔加拿大公司）
本文提出一种无需在移动设备安装软件的被动式WiFi室内定位方法，利用路由器接收的RSSI和CSI等信号结合多种算法进行定位，在数百个测试点实验中实现了0.8 m至1.5 m的平均误差。
2025-11-02 cs.NI eess.SP
A Multi-View Discriminant Learning Approach for Indoor Localization Using Bimodal Features of CSI
Department of Electrical and Computer Engineering, Rutgers, The State University of New Jersey, New Brunswick, NJ, 08854, USA.（美国新泽西州新不伦瑞克市罗格斯大学电气与计算机工程系）
随着基于位置的服务的增长，室内定位吸引了极大的兴趣，因为它有助于进一步无处不在的环境。具体地，使用无线信号的无设备定位正得到越来越多的关注，因为人类位置是使用其对周围无线信号的影响来估计的，而没有任何有源设备标记有对象。在本文中，我们提出了MuDLoc，第一个多视图判别学习方法的设备免费室内定位使用的幅度和相位特征的信道状态信息（CSI）从多个AP。多视图学习是机器学习中的一种新兴技术，它利用不同视图数据的多样性来提高学习性能。在MuDLoc中，定位被建模为模式匹配问题，其中目标位置是基于未知位置的CSI特征与训练位置的CSI特征的相似性度量来预测的。MuDLoc实现了广义视图间和视图内判别相关分析（GI $^{2}$ DCA），这是一种使用多视图CSI的判别特征提取方法。它结合了视图间和视图内的类关联，同时最大限度地提高了多视图数据集之间的成对相关性。执行相似性度量以找到最佳匹配来定位主题。在两种复杂环境下的实验结果表明，MuDLoc定位算法具有较高的定位精度，优于其他基准算法。
2019-08-13 cs.LG cs.NI
Tensor-Generative Adversarial Network with Two-dimensional Sparse Coding: Application to Real-time Indoor Localization
University of Electronic Science and Technology of China（电子科技大学）；Columbia University（哥伦比亚大学）；Shanghai Jiao Tong University（上海交通大学）
定位技术是室内定位服务发展的重要环节。全球定位系统（GPS）在室内环境中由于非视距问题而失效，因此迫切需要一种实时的【形】高精度智能手机定位方法。然而，由于诸如实时的【形】响应要求、有限的指纹样本和移动终端存储等问题，精确定位是具有挑战性的。为了解决这些问题，我们提出了一种新的深度学习架构：张量-生成对抗网络（TGAN）。我们首先引入一个基于变换的3D张量来建模指纹样本。我们的模型采用人工神经网络和深度学习来训练网络分类器，然后给出估计，而不是那些构建指纹数据库作为先验知识的被动方法。然后，我们提出了一种新的基于张量的超分辨率方案，使用生成对抗网络（GAN），采用稀疏编码作为生成器网络和残差学习网络作为训练器。此外，我们分析了张量GAN的性能，并实现了基于跟踪的定位实验，取得了更好的性能。与现有的智能手机室内定位方法相比，TGAN在定位精度、响应时间和实现复杂度等方面都有较大的提高。
2017-11-07 cs.LG cs.NI eess.SP
Indoor Millimeter Wave Localization using Multiple Self-Supervised Tiny Neural Networks
University of Trento（特伦托大学）；NEC Laboratories Europe（NEC欧洲实验室）
本文针对大型室内毫米波客户端定位问题，提出在多个自监督微型神经网络之间进行切换的定位方法，并设计基于卡尔曼滤波和训练数据统计分布的两种切换方案，仿真表明其优于几何定位和单一神经网络方案。
2023-11-30 cs.LG cs.NI eess.SP
RayLoc: Wireless Indoor Localization via Fully Differentiable Ray-tracing
Southern University of Science and Technology（南方科技大学）；Huawei Technologies Co., Ltd（华为技术有限公司）；Nanyang Technological University（南洋理工大学）
本文提出RayLoc，将无线室内定位重新表述为无线光线追踪的逆问题，利用全可微光线追踪模拟器对感知场景参数进行反向传播以实现精确定位，并通过高斯核卷积克服稀疏梯度和局部极小值挑战，性能优于传统基线且具备跨环境泛化能力。
2025-01-21 cs.AI cs.LG cs.NI
FeMLoc: Federated Meta-learning for Adaptive Wireless Indoor Localization Tasks in IoT Networks
College of Computing, Mohammed VI Polytechnic University（穆罕默德六世理工大学计算机学院）；Institut Supérieur d’Électronique de Paris（巴黎高等电子学院）
针对现有室内定位方案环境适配难、校准成本高的问题，提出两阶段联邦元学习框架FeMLoc，在提升定位精度、加快适配速度的同时保护隐私、增强可扩展性，适配物联网大规模位置感知需求。
2024-05-17 cs.LG cs.NI eess.SP
Decentralized Indoor Localization Based on A Sparse Gaussian Process with Reduced-Dimensional Inputs for Real-Time Sensing and Training on IoT Devices
Institute of Cyberspace Security, College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院网络空间安全研究所）；Binjiang Institute of Artificial Intelligence, Zhejiang University of Technology（浙江工业大学滨江人工智能研究院）；School of Artificial Intelligence, Suzhou Institute of Industrial Technology（苏州工业职业技术学院人工智能学院）；School of Advanced Technology, Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）；University of Liverpool（利物浦大学）；D5 Data Co., Ltd.（D5数据有限公司）
针对传统集中式室内定位的缺陷，提出基于SGP-RI模型的去中心化框架，在IoT设备上实现时变环境下的室内定位，且SGP-RI用更少样本达到与标准GP相当的性能。
2026-08-10 cs.LG cs.NI eess.SP
Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）
针对COVID-19下室内定位数据收集困难，提出基于MOGP的三种RSSI数据增强方法，实验证明按单建筑增强UJIIndoorLoc训练RNN模型效果最佳，定位误差8.42米。
2023-08-01 cs.LG cs.NI eess.SP
A Scalable Deep Neural Network Architecture for Multi-Building and Multi-Floor Indoor Localization Based on Wi-Fi Fingerprinting
XJTLU（西交利物浦大学）
未来覆盖多层建筑群的大规模位置感知服务的关键技术之一--例如，大型购物中心和大学校园-是一种可扩展的室内定位技术。在本文中，我们报告了我们的调查使用深度神经网络（DNN）的可扩展的建筑物/楼层分类和楼层水平的位置估计的基础上的Wi-Fi指纹的现状。利用建筑物/楼层估计和位置的楼层坐标估计的分层性质，我们提出了一种新的DNN架构，该架构由用于减少特征空间维度的堆叠式自编码器和用于建筑物/楼层/位置的多标签分类的前馈分类器组成，并在其上构建了基于Wi-Fi指纹的多建筑物和多楼层室内定位系统。针对给定位置的建筑物/楼层估计和楼层坐标估计的性能的实验结果证明了所提出的基于DNN的室内定位系统的可行性，其可以使用单个DNN提供接近最先进的性能，用于在移动设备处以较低的复杂度和能耗实现。
2017-12-06 cs.LG cs.NE cs.NI
Improved Indoor Localization with Machine Learning Techniques for IoT applications
IIC University of Technology（IIC科技大学）
本研究针对IoT室内定位问题，提出基于RSSI的三阶段机器学习方法（监督回归、分类和集成），并引入加权最小二乘和伪线性求解处理非线性测量方程，通过多模型实验验证了其在室内定位的准确性和鲁棒性。
2024-02-18 cs.LG cs.NI eess.SP
An Adaptive Indoor Localization Approach Using WiFi RSSI Fingerprinting with SLAM-Enabled Robotic Platform and Deep Neural Networks
University of New Brunswick（新不伦瑞克大学）；RMIT University（皇家墨尔本理工大学）
提出一种基于SLAM机器人平台自动构建WiFi指纹数据集并训练DNN的室内定位方法，无需预定义地图且减少人工干预，定位精度提升26%，数据集密度增六倍且构建时间缩短至三分之一。
2024-07-30 cs.ET cs.NI cs.RO
DataLoc+: A Data Augmentation Technique for Machine Learning in Room-Level Indoor Localization
Alexandria University（亚历山大大学）；James Madison University（詹姆斯·麦迪逊大学）；Virginia Tech（弗吉尼亚理工大学）；Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
室内定位是近二十年来的研究热点。自问世以来，它一直在稳步利用新兴技术来提高准确性，而机器学习一直是其核心。机器学习已经越来越多地用于基于指纹的室内定位，以替代或仿真用于在给定位置签名的情况下预测位置的无线电地图。机器学习模型的预测质量主要取决于模型训练的好坏，而训练的好坏又取决于用于训练模型的数据的数量和质量。数据增强通过综合产生更多的训练数据来提高训练模型的质量，文献中使用了几种方法，从不同角度解决训练数据不足的问题。在本文中，我们提出了DataLoc+，一个数据增强技术的房间级室内定位，结合不同的方法在一个简单的算法。我们评估的技术，通过比较它的典型的直接快照的方法，在医院进行的现场实验收集的数据。我们的评估表明，使用所提出的技术训练的模型实现了更高的准确性。我们还表明，该技术适用于更大的问题，使用有限的数据集，同时保持高精度。
2021-01-21 cs.CV cs.LG cs.NI
